RU2724498C1 - Способ и система генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты - Google Patents
Способ и система генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты Download PDFInfo
- Publication number
- RU2724498C1 RU2724498C1 RU2019113824A RU2019113824A RU2724498C1 RU 2724498 C1 RU2724498 C1 RU 2724498C1 RU 2019113824 A RU2019113824 A RU 2019113824A RU 2019113824 A RU2019113824 A RU 2019113824A RU 2724498 C1 RU2724498 C1 RU 2724498C1
- Authority
- RU
- Russia
- Prior art keywords
- dietary intervention
- data
- dietary
- user
- intervention
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000000203 mixture Substances 0.000 title claims abstract description 44
- 241000736262 Microbiota Species 0.000 title claims description 41
- 235000005911 diet Nutrition 0.000 title claims description 21
- 230000037213 diet Effects 0.000 title claims description 20
- 238000004458 analytical method Methods 0.000 title claims description 10
- 235000021196 dietary intervention Nutrition 0.000 claims abstract description 65
- 230000004044 response Effects 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 244000005709 gut microbiome Species 0.000 claims abstract description 16
- 210000001035 gastrointestinal tract Anatomy 0.000 claims description 23
- 244000005700 microbiome Species 0.000 claims description 22
- 239000006041 probiotic Substances 0.000 claims description 19
- 235000018291 probiotics Nutrition 0.000 claims description 19
- 235000013305 food Nutrition 0.000 claims description 17
- 235000013406 prebiotics Nutrition 0.000 claims description 17
- 238000012163 sequencing technique Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 16
- 108090000623 proteins and genes Proteins 0.000 claims description 12
- 108020004465 16S ribosomal RNA Proteins 0.000 claims description 11
- 235000013325 dietary fiber Nutrition 0.000 claims description 9
- 230000000529 probiotic effect Effects 0.000 claims description 9
- 210000003608 fece Anatomy 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000001712 DNA sequencing Methods 0.000 claims description 4
- 238000010876 biochemical test Methods 0.000 claims description 4
- 230000009089 cytolysis Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000002496 gastric effect Effects 0.000 claims description 3
- 210000000936 intestine Anatomy 0.000 claims description 3
- 208000024891 symptom Diseases 0.000 claims description 3
- 239000008280 blood Substances 0.000 claims description 2
- 210000004369 blood Anatomy 0.000 claims description 2
- 230000002255 enzymatic effect Effects 0.000 claims description 2
- 238000012543 microbiological analysis Methods 0.000 claims description 2
- 150000003626 triacylglycerols Chemical class 0.000 claims description 2
- 238000005406 washing Methods 0.000 claims description 2
- 230000036642 wellbeing Effects 0.000 claims description 2
- 235000003642 hunger Nutrition 0.000 claims 1
- 230000037351 starvation Effects 0.000 claims 1
- 230000000813 microbial effect Effects 0.000 abstract description 14
- 230000000968 intestinal effect Effects 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 5
- 238000009826 distribution Methods 0.000 abstract description 3
- 239000000126 substance Substances 0.000 abstract description 3
- 239000000306 component Substances 0.000 description 32
- 238000012545 processing Methods 0.000 description 17
- 241000894006 Bacteria Species 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 108020004414 DNA Proteins 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 239000000835 fiber Substances 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 241000894007 species Species 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000002503 metabolic effect Effects 0.000 description 5
- 235000015097 nutrients Nutrition 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 241000186660 Lactobacillus Species 0.000 description 4
- 235000020979 dietary recommendations Nutrition 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 241001134770 Bifidobacterium animalis Species 0.000 description 3
- FERIUCNNQQJTOY-UHFFFAOYSA-N Butyric acid Natural products CCCC(O)=O FERIUCNNQQJTOY-UHFFFAOYSA-N 0.000 description 3
- 108091028043 Nucleic acid sequence Proteins 0.000 description 3
- 230000009471 action Effects 0.000 description 3
- 230000001580 bacterial effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 235000015872 dietary supplement Nutrition 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 150000004676 glycans Chemical class 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 241000186000 Bifidobacterium Species 0.000 description 2
- 241001112695 Clostridiales Species 0.000 description 2
- 241000192125 Firmicutes Species 0.000 description 2
- 229920001202 Inulin Polymers 0.000 description 2
- 244000199866 Lactobacillus casei Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 235000004251 balanced diet Nutrition 0.000 description 2
- 229940118852 bifidobacterium animalis Drugs 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 235000013365 dairy product Nutrition 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 235000014113 dietary fatty acids Nutrition 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 229930195729 fatty acid Natural products 0.000 description 2
- 239000000194 fatty acid Substances 0.000 description 2
- 150000004665 fatty acids Chemical class 0.000 description 2
- 235000012631 food intake Nutrition 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- JYJIGFIDKWBXDU-MNNPPOADSA-N inulin Chemical compound O[C@H]1[C@H](O)[C@@H](CO)O[C@@]1(CO)OC[C@]1(OC[C@]2(OC[C@]3(OC[C@]4(OC[C@]5(OC[C@]6(OC[C@]7(OC[C@]8(OC[C@]9(OC[C@]%10(OC[C@]%11(OC[C@]%12(OC[C@]%13(OC[C@]%14(OC[C@]%15(OC[C@]%16(OC[C@]%17(OC[C@]%18(OC[C@]%19(OC[C@]%20(OC[C@]%21(OC[C@]%22(OC[C@]%23(OC[C@]%24(OC[C@]%25(OC[C@]%26(OC[C@]%27(OC[C@]%28(OC[C@]%29(OC[C@]%30(OC[C@]%31(OC[C@]%32(OC[C@]%33(OC[C@]%34(OC[C@]%35(OC[C@]%36(O[C@@H]%37[C@@H]([C@@H](O)[C@H](O)[C@@H](CO)O%37)O)[C@H]([C@H](O)[C@@H](CO)O%36)O)[C@H]([C@H](O)[C@@H](CO)O%35)O)[C@H]([C@H](O)[C@@H](CO)O%34)O)[C@H]([C@H](O)[C@@H](CO)O%33)O)[C@H]([C@H](O)[C@@H](CO)O%32)O)[C@H]([C@H](O)[C@@H](CO)O%31)O)[C@H]([C@H](O)[C@@H](CO)O%30)O)[C@H]([C@H](O)[C@@H](CO)O%29)O)[C@H]([C@H](O)[C@@H](CO)O%28)O)[C@H]([C@H](O)[C@@H](CO)O%27)O)[C@H]([C@H](O)[C@@H](CO)O%26)O)[C@H]([C@H](O)[C@@H](CO)O%25)O)[C@H]([C@H](O)[C@@H](CO)O%24)O)[C@H]([C@H](O)[C@@H](CO)O%23)O)[C@H]([C@H](O)[C@@H](CO)O%22)O)[C@H]([C@H](O)[C@@H](CO)O%21)O)[C@H]([C@H](O)[C@@H](CO)O%20)O)[C@H]([C@H](O)[C@@H](CO)O%19)O)[C@H]([C@H](O)[C@@H](CO)O%18)O)[C@H]([C@H](O)[C@@H](CO)O%17)O)[C@H]([C@H](O)[C@@H](CO)O%16)O)[C@H]([C@H](O)[C@@H](CO)O%15)O)[C@H]([C@H](O)[C@@H](CO)O%14)O)[C@H]([C@H](O)[C@@H](CO)O%13)O)[C@H]([C@H](O)[C@@H](CO)O%12)O)[C@H]([C@H](O)[C@@H](CO)O%11)O)[C@H]([C@H](O)[C@@H](CO)O%10)O)[C@H]([C@H](O)[C@@H](CO)O9)O)[C@H]([C@H](O)[C@@H](CO)O8)O)[C@H]([C@H](O)[C@@H](CO)O7)O)[C@H]([C@H](O)[C@@H](CO)O6)O)[C@H]([C@H](O)[C@@H](CO)O5)O)[C@H]([C@H](O)[C@@H](CO)O4)O)[C@H]([C@H](O)[C@@H](CO)O3)O)[C@H]([C@H](O)[C@@H](CO)O2)O)[C@@H](O)[C@H](O)[C@@H](CO)O1 JYJIGFIDKWBXDU-MNNPPOADSA-N 0.000 description 2
- 229940029339 inulin Drugs 0.000 description 2
- 238000002955 isolation Methods 0.000 description 2
- 229940039696 lactobacillus Drugs 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000037353 metabolic pathway Effects 0.000 description 2
- 244000005706 microflora Species 0.000 description 2
- 239000002773 nucleotide Substances 0.000 description 2
- 125000003729 nucleotide group Chemical group 0.000 description 2
- 230000037361 pathway Effects 0.000 description 2
- 229920001282 polysaccharide Polymers 0.000 description 2
- 239000005017 polysaccharide Substances 0.000 description 2
- 230000008092 positive effect Effects 0.000 description 2
- 230000003979 response to food Effects 0.000 description 2
- 235000021391 short chain fatty acids Nutrition 0.000 description 2
- 150000004666 short chain fatty acids Chemical class 0.000 description 2
- 235000013618 yogurt Nutrition 0.000 description 2
- 101710157142 2-methylene-furan-3-one reductase Proteins 0.000 description 1
- 241001156739 Actinobacteria <phylum> Species 0.000 description 1
- 241000203069 Archaea Species 0.000 description 1
- 241000193833 Bacillales Species 0.000 description 1
- 241000186016 Bifidobacterium bifidum Species 0.000 description 1
- 241001608472 Bifidobacterium longum Species 0.000 description 1
- FERIUCNNQQJTOY-UHFFFAOYSA-M Butyrate Chemical compound CCCC([O-])=O FERIUCNNQQJTOY-UHFFFAOYSA-M 0.000 description 1
- 244000298479 Cichorium intybus Species 0.000 description 1
- 235000007542 Cichorium intybus Nutrition 0.000 description 1
- 206010009900 Colitis ulcerative Diseases 0.000 description 1
- 241001662464 Coriobacteriales Species 0.000 description 1
- 208000011231 Crohn disease Diseases 0.000 description 1
- 102000053602 DNA Human genes 0.000 description 1
- 238000007400 DNA extraction Methods 0.000 description 1
- 206010012735 Diarrhoea Diseases 0.000 description 1
- 241000305071 Enterobacterales Species 0.000 description 1
- 241001081257 Erysipelotrichales Species 0.000 description 1
- RFSUNEUAIZKAJO-ARQDHWQXSA-N Fructose Chemical class OC[C@H]1O[C@](O)(CO)[C@@H](O)[C@@H]1O RFSUNEUAIZKAJO-ARQDHWQXSA-N 0.000 description 1
- 240000008892 Helianthus tuberosus Species 0.000 description 1
- 235000003230 Helianthus tuberosus Nutrition 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 208000022559 Inflammatory bowel disease Diseases 0.000 description 1
- 235000013958 Lactobacillus casei Nutrition 0.000 description 1
- 241000186604 Lactobacillus reuteri Species 0.000 description 1
- 241000218588 Lactobacillus rhamnosus Species 0.000 description 1
- 241001074903 Methanobacteria Species 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- 241000192142 Proteobacteria Species 0.000 description 1
- 101710189291 Quinone oxidoreductase Proteins 0.000 description 1
- 102100034576 Quinone oxidoreductase Human genes 0.000 description 1
- 229920000294 Resistant starch Polymers 0.000 description 1
- 241001185305 Sphingomonadales Species 0.000 description 1
- 201000006704 Ulcerative Colitis Diseases 0.000 description 1
- 241001261005 Verrucomicrobia Species 0.000 description 1
- 241000230320 Verrucomicrobiales Species 0.000 description 1
- 201000009840 acute diarrhea Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000001093 anti-cancer Effects 0.000 description 1
- 230000003110 anti-inflammatory effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 244000052616 bacterial pathogen Species 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000000941 bile Anatomy 0.000 description 1
- 239000000090 biomarker Substances 0.000 description 1
- 239000002775 capsule Substances 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 235000014633 carbohydrates Nutrition 0.000 description 1
- 230000006652 catabolic pathway Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 230000001684 chronic effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 235000015140 cultured milk Nutrition 0.000 description 1
- 235000014048 cultured milk product Nutrition 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000378 dietary effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 230000004064 dysfunction Effects 0.000 description 1
- 239000002158 endotoxin Substances 0.000 description 1
- 210000003527 eukaryotic cell Anatomy 0.000 description 1
- 230000002550 fecal effect Effects 0.000 description 1
- 235000021001 fermented dairy product Nutrition 0.000 description 1
- 229940014144 folate Drugs 0.000 description 1
- OVBPIULPVIDEAO-LBPRGKRZSA-N folic acid Chemical compound C=1N=C2NC(N)=NC(=O)C2=NC=1CNC1=CC=C(C(=O)N[C@@H](CCC(O)=O)C(O)=O)C=C1 OVBPIULPVIDEAO-LBPRGKRZSA-N 0.000 description 1
- 235000019152 folic acid Nutrition 0.000 description 1
- 239000011724 folic acid Substances 0.000 description 1
- 235000012041 food component Nutrition 0.000 description 1
- 239000005428 food component Substances 0.000 description 1
- 238000010230 functional analysis Methods 0.000 description 1
- 235000021255 galacto-oligosaccharides Nutrition 0.000 description 1
- 150000003271 galactooligosaccharides Chemical class 0.000 description 1
- 210000004051 gastric juice Anatomy 0.000 description 1
- 230000007407 health benefit Effects 0.000 description 1
- 238000012165 high-throughput sequencing Methods 0.000 description 1
- 238000009396 hybridization Methods 0.000 description 1
- 210000000987 immune system Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004968 inflammatory condition Effects 0.000 description 1
- 229940017800 lactobacillus casei Drugs 0.000 description 1
- 229920006008 lipopolysaccharide Polymers 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000012092 media component Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229930027945 nicotinamide-adenine dinucleotide Natural products 0.000 description 1
- BOPGDPNILDQYTO-NNYOXOHSSA-N nicotinamide-adenine dinucleotide Chemical compound C1=CCC(C(=O)N)=CN1[C@H]1[C@H](O)[C@H](O)[C@@H](COP(O)(=O)OP(O)(=O)OC[C@@H]2[C@H]([C@@H](O)[C@@H](O2)N2C3=NC=NC(N)=C3N=C2)O)O1 BOPGDPNILDQYTO-NNYOXOHSSA-N 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 229920001542 oligosaccharide Polymers 0.000 description 1
- 150000002482 oligosaccharides Chemical class 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- -1 pectin Chemical class 0.000 description 1
- 229920001277 pectin Polymers 0.000 description 1
- 239000001814 pectin Substances 0.000 description 1
- 235000010987 pectin Nutrition 0.000 description 1
- 239000000419 plant extract Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 235000021254 resistant starch Nutrition 0.000 description 1
- 208000023504 respiratory system disease Diseases 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 235000020807 short-term diet Nutrition 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000031068 symbiosis, encompassing mutualism through parasitism Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000002054 transplantation Methods 0.000 description 1
- 208000001072 type 2 diabetes mellitus Diseases 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000011782 vitamin Substances 0.000 description 1
- 235000013343 vitamin Nutrition 0.000 description 1
- 229940088594 vitamin Drugs 0.000 description 1
- 229930003231 vitamin Natural products 0.000 description 1
- 235000015099 wheat brans Nutrition 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/48—Biological material, e.g. blood, urine; Haemocytometers
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/63—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for local operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
- G16H40/67—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices for remote operation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Food Science & Technology (AREA)
- Molecular Biology (AREA)
- Urology & Nephrology (AREA)
- Hematology (AREA)
- Nutrition Science (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
Группа изобретений относится к области микробиологии. Предложен способ и компьютерная система генерации рекомендации по диетической интервенции для пользователя, где система содержит процессор и память с записанной программой для осуществления способа. Способ включает получение набора, состоящего из предполагаемой диетической интервенции для пользователя и из данных о составе его микробиоты кишечника, на сервер, извлечение из базы данных диетических интервенций наборов данных об изменении состава микробиоты кишечника у субъектов после диетической интервенции, распределение каждого из выбранных субъектов в группу с высокой степенью ответа (респондер) и с низкой степенью ответа (нереспондер) на полученную диетическую интервенцию, формирование для субъектов на основании данных и группы ответа алгоритма предсказания степени индивидуального ответа на диетическую интервенцию, классифицирование пользователя как респондера или нереспондера и формирование рекомендации по диетической интервенции для пользователя. Изобретение обеспечивает повышение точности рекомендаций и эффективности различных диетических интервенций. 2 н. и 13 з.п. ф-лы., 4 ил.
Description
ОБЛАСТЬ ТЕХНИКИ
[001] Данное техническое решение в общем относится к области микробиологии, а также к применению вычислительной техники в микробиологии и диетологии, а в частности, к способам и системам для исследования и интерпретации данных о составе микробиоты кишечника человека с целью выработки рекомендаций пользователю по использованию пищевых добавок и диете.
УРОВЕНЬ ТЕХНИКИ
[002] Организм человека содержит порядка 100 триллионов бактерий, что значительно превышает общее число эукариотических клеток всех тканей и органов человека. Совокупность всех микроорганизмов человека называется микробиотой, а совокупность их генов — метагеномом. Большая часть микроорганизмов находится в желудочно-кишечном тракте (ЖКТ), поэтому исследование микробиоты ЖКТ и интерпретация этих данных является очень важной технической задачей. Исследования последних лет показали, что изменения видового состава микроорганизмов, присутствующих в ЖКТ, а также количественные изменения отдельных видов микроорганизмов ЖКТ, могут быть ассоциированы с различными заболеваниями человека (Shaw et al. 2016; de la Cuesta-Zuluaga et al. 2018; Cui et al. 2017; Gevers et al. 2014). Данная ассоциация обусловлена возникшим симбиозом между организмом человека и микробиотой. Микроорганизмы используют питательные вещества и пищевые волокна, поступающие с пищей, для своего размножения. В свою очередь, они синтезируют витамины, частично поступающие в организм человека, и короткоцепочечные жирные кислоты (КЖК), некоторые из которых обладают противовоспалительным, противораковым действием и играют важную роль в регуляции систем организма человека. Дисбаланс состава микробиоты может вызывать развитие хронических воспалительных состояний. Это, в совокупности с другими факторами, может приводить к различным серьезным заболеваниям: сахарному диабету второго типа, болезни Крона и язвенному колиту, ожирению и др.
[003] В уровне техники содержатся многочисленные источники информации, указывающие на важность употребления пробиотиков (Isolauri et al. 2000; Kim et al. 2010; Singh et al. 2013) (живых симбиотических микроорганизмов, которые при приеме в адекватном количестве могут оказывать положительное влияние на здоровье человека – как отдельно, так и в составе пищевых продуктов, например, кисломолочных продуктов), а также сбалансированной диеты, богатой пищевыми волокнами (выступающими в роли пребиотиков – компонентов пищи, не усваиваемых человеком, но вызывающих рост или повышение активности симбиотических микроорганизмов), для поддержания здоровой микробиоты в ЖКТ человека, и потенциально, предотвращения развития или улучшения симптомов вышеуказанных заболеваний (Khaw and Barrett-Connor 1987; Ludwig et al. 1999; Anderson et al. 1987). Однако проведенные клинические исследования, изучавшие эффективность пробиотиков и пребиотиков для профилактики и лечения этих заболеваний, показали неоднозначные результаты (Rondanelli et al. 2017; Makki et al. 2018). Исследования показывают, что не все люди одинаково реагируют на одни и те же пищевые добавки, и реакция организма зависит в том числе от начального состава микробиоты в ЖКТ индивида. Например, один и тот же продукт может вызывать существенные изменения в микрофлоре ЖКТ одних индивидуумов и вызывать лишь небольшие изменения у других (Klimenko NS, et al., Microbiome Responses to an Uncontrolled Short-Term Diet Intervention in the Frame of the Citizen Science Project. Nutrients. 2018 May 8;10(5)). Таким образом, несмотря на наличие общих для широкого круга населения рекомендаций по сбалансированному питанию, сохраняется потребность в способах выработки индивидуальных диетических рекомендаций для конкретного пациента, учитывающий состав его микробиоты в ЖКТ.
СУЩНОСТЬ ИЗОБРЕТЕНИЯ
[004] Данное техническое решение направлено на устранение недостатков, свойственных решениям, известным из уровня техники.
[005] Технической задачей или технической проблемой, решаемой в данном техническом решении, является осуществление способа генерации рекомендации по диетической интервенции и системы определения эффективности диетических интервенций для индивидуального пользователя, включающих добавление в пищу пищевых волокон определенного типа или других пребиотиков, потребления определенных продуктов, обогащенных пробиотиками, или биологически активных добавок с пробиотиками, а также добавления, ограничения или исключения из рациона определенных продуктов питания.
[006] Техническим результатом, достигающимся при решении вышеуказанной технической задачи, является повышение точности рекомендаций по диетическим интервенциям, а также эффективности различных диетических интервенций, оцениваемой как изменение состава микробиоты кишечника индивидуального пользователя (например, относительную представленность микробных таксонов) и/или как влияние на здоровье пользователя.
[007] Указанный технический результат достигается посредством осуществления способа генерации рекомендации по диетической интервенции для пользователя, в котором получают набор, состоящий из по меньшей мере одной диетической интервенции для по меньшей мере одного пользователя и его данные, содержащие по меньшей мере данные о составе его микробиоты кишечника и данные о представленности таксонов микроорганизмов, присутствующих в ЖКТ, на сервер; затем извлекают из по меньшей мере одной базы данных диетических интервенций посредством процессора наборы данных об изменении представленности присутствующих в ЖКТ микробных таксонов у пользователей после полученной на предыдущем шаге по меньшей мере одной диетической интервенции, при этом выбирают только наборы данных от пользователей, проживающих на той же территории, что и указанный пользователь; далее распределяют каждого из числа выбранных на предыдущем шаге пользователей, имеющих наборы данных, в группу с высокой степенью ответа (респондер) на полученную диетическую интервенцию и с низкой степенью ответа (нереспондер), используя в качестве меры степени ответа величину изменения представленности микробных таксонов, присутствующих в ЖКТ после диетической интервенции; после чего формируют на основании данных о составе микробиоты кишечника и группе ответа на полученную диетическую интервенцию пользователей, извлеченных ранее, алгоритм предсказания степени индивидуального ответа на полученную интервенцию по составу микробиоты кишечника, классифицирующий пользователя как респондера или нереспондера; затем классифицируют по меньшей мере одного пользователя, для которого затем формируют рекомендации по диетической интервенции, как респондера или нереспондера на основании алгоритма предсказания степени индивидуального ответа, причем если пользователь был классифицирован как респондер на полученную диетическую интервенцию, то формируют рекомендацию по ней.
[008] В некоторых вариантах реализации технического решения степень ответа на интервенцию оценивается дополнительно по результатам биохимических тестов и/или опросников по желудочно-кишечным симптомам и/или частоте дефекации и/или самочувствию.
[009] В некоторых вариантах реализации технического решения биохимическим тестом является анализ уровня триглицеридов и других показателей в крови и/или копрограмма, и/или микробиологический анализ кала.
[0010] В некоторых вариантах реализации технического решения в качестве алгоритма предсказания степени индивидуального ответа используют алгоритм «случайный лес», метод опорных векторов, искусственную нейронную сеть.
[0011] В некоторых вариантах реализации технического решения пользователей относят к группе респондеров на диетическую интервенцию тех, у которых величина изменения представленности микробных таксонов после указанной интервенции превысила пороговую величину, либо к группе нереспондеров тех, у которых данная величина не превысила пороговую величину.
[0012] В некоторых вариантах реализации технического решения наборы данных от пользователей, получают путем анализа образцов микробиоты, полученных от пользователей и содержащих микроорганизмы, присутствующие в ЖКТ этих пользователей.
[0013] В некоторых вариантах реализации технического решения образцами, полученными от пользователей, являются образцы кала.
[0014] В некоторых вариантах реализации технического решения наборы данных от пользователей получают путем секвенирования библиотек, приготовленных из ДНК, выделенной из образцов с помощью ферментативного лизиса и/или механического лизиса, и/или отмывки.
[0015] В некоторых вариантах реализации технического решения стандартизированной методикой является ДНК-секвенирование полной или частичной последовательности генов 16S рРНК либо полногеномное метагеномное секвенирование.
[0016] В некоторых вариантах реализации технического решения величины изменения представленности микробных таксонов рассчитывают, используя только заранее заданные таксоны.
[0017] В некоторых вариантах реализации технического решения диетическая интервенция представляет собой прием в течение длительного времени продукта или множества продуктов, богатых определенным классом пищевых волокон, пребиотика, пробиотика или пищевого продукта, обогащенного пребиотиками или пробиотиками.
[0018] В некоторых вариантах реализации технического решения диетическая интервенция представляет собой голодание.
[0019] В некоторых вариантах реализации технического решения рекомендация заключается в исключении из рациона определенного пищевого продукта, пробиотика или пребиотика на основании того, что субъект был отнесен к группе нереспондеров по указанной интервенции.
[0020] В некоторых вариантах реализации технического решения рекомендация формируется относительно нескольких интервенций.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
Признаки и преимущества настоящего технического решения станут очевидными из приведенного ниже подробного описания и прилагаемых чертежей, на которых:
[0021] На Фиг. 1 показан вариант осуществления способа генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты в виде блок-схемы.
[0022] На Фиг. 2 показана ROC-кривая для классификатора, позволяющего определить степень ответа на диету, богатую пищевыми волокнами, по составу микробиоты до интервенции.
[0023] На Фиг. 3 показана ROC-кривая для классификатора, позволяющего определить степень ответа на прием продукта, обогащенного пробиотиками, по составу микробиоты до интервенции.
[0024] На Фиг. 4 показан вариант реализации системы генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты в виде блок-схемы.
ПОДРОБНОЕ РАСКРЫТИЕ ИЗОБРЕТЕНИЯ
[0025] Ниже будут подробно рассмотрены термины и их определения, используемые в описании технического решения.
[0026] В данном изобретении под системой подразумевается компьютерная система, ЭВМ (электронно-вычислительная машина), ЧПУ (числовое программное управление), ПЛК (программируемый логический контроллер), компьютеризированные системы управления и любые другие устройства, способные выполнять заданную, четко определенную последовательность операций (действий, инструкций).
[0027] Под устройством обработки команд подразумевается электронный блок либо интегральная схема (микропроцессор), исполняющая машинные инструкции (программы). Устройство обработки команд считывает и выполняет машинные инструкции (программы) с одного или более устройства хранения данных. В роли устройства хранения данных могут выступать, но, не ограничиваясь, жесткие диски (HDD), флеш-память, ПЗУ (постоянное запоминающее устройство), твердотельные накопители (SSD), оптические приводы.
[0028] Программа - последовательность инструкций, предназначенных для исполнения устройством управления вычислительной машины или устройством обработки команд.
[0029] Микробиота (нормальная микрофлора, нормофлора, микробиом) человека – это совокупность всех микроорганизмов в теле человека.
[0030] Секвенирование ДНК — определение последовательности нуклеотидов в молекуле ДНК. Под этим может подразумеваться как амликонное секвенирование (прочтение последовательностей выделенных фрагментов ДНК, полученных в результате ПЦР-реакции - таких, как ген 16S рРНК или его фрагменты), так и полногеномное секвенирование (прочтение последовательностей всей ДНК, присутствующей в образце).
[0031] Чтения (риды, reads) – данные, представляющие собой нуклеотидные последовательности фрагментов ДНК, полученные с помощью ДНК-секвенатора.
[0032] FASTA – формат записи последовательностей ДНК.
[0033] FASTQ – формат записи последовательностей ДНК, при котором записывается аппаратное качество прочтения каждой позиции.
[0034] Картирование прочтений — биоинформатический метод анализа результатов секвенирования нового поколения, состоящий в определении позиций в референсной базе геномов или генов, откуда с высокой и наибольшей вероятностью могло быть получено каждое конкретное короткое прочтение.
[0035] В результате секвенирования ДНК создается набор чтений. Длина чтения у современных секвенаторов составляет от нескольких сотен до нескольких тысяч нуклеотидов.
[0036] Биомаркер — биологический измеряемый фактор - например, относительная представленность бактериального вида или рода - ассоциированный с наличием или отсутствием того или иного состояния у организма хозяина, например, определенного заболевания.
[0037] Таксономия — учение о принципах и практике классификации и систематизации сложноорганизованных иерархически соотносящихся сущностей.
[0038] Донор - человек, предоставляющий образец микробиоты для последующего анализа состава или других целей – например, пересадки реципиенту.
[0039] Диетическая интервенция может представлять собой прием в течение длительного времени продуктов, богатых пищевыми волокнами, пребиотиков, пробиотиков или пищевых продуктов, обогащенных пробиотиками.
[0040] В описании данного изобретения термины «включает» и «включающий» интерпретируются как означающие «включает, помимо всего прочего». Указанные термины не предназначены для того, чтобы их истолковывали как «состоит только из». Если не определено отдельно, технические и научные термины в данном описании имеют стандартные значения, общепринятые в научной и технической литературе.
[0041] В настоящем описании изобретения представленность микробных таксонов означает набор количественных данных о микроорганизмах, присутствующих в ЖКТ субъектов. Как правило, это данные на уровне родов микроорганизмов, собранные в таблицы представленности. Для определения таксономического состава микробиоты используют таксоноспецифичную ПЦР в режиме реального времени, либо секвенирование гена 16S рРНК, либо полногеномное метагеномное секвенирование (WGS), либо гибридизационные панели на кишечные микробы.
[0042] Видовой состав образца микробиоты - это совокупность значений относительной представленности всех микробных таксонов, детектированных в образце.
[0043] α-разнообразие - числовая величина, характеризующая разнообразие микробного сообщества для единичного образца микробиоты. α-разнообразие вычисляется с помощью того или иного алгоритма на основании данных о видовом составе микробиоты.
[0044] β-разнообразие - числовая величина, характеризующая меру различия между двумя микробными сообществами. Это разнообразие между сообществами, показатель степени дифференцированности распределения видов. Возможный путь определения β-разнообразия – сравнение видового состава различных сообществ. Чем меньше общих видов между двумя сообществами, тем выше β-разнообразие.
[0045] Способ генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты, подробно раскрывается ниже и показан в виде блок-схемы на Фиг. 1.
[0046] Шаг 110: получают набор, состоящий из по меньшей мере одной диетической интервенции для по меньшей мере одного пользователя и его данные, содержащие по меньшей мере его данные о составе микробиоты кишечника и данные о представленности таксонов микроорганизмов, присутствующих в ЖКТ, на сервер.
[0047] Под диетической интервенцией в данном техническом решении и в уровне техники понимается повышенное потребление продуктов с высоким содержанием клетчатки, добавление в пищу пищевых волокон определенного типа или других пребиотиков, потребление определенных кисломолочных продуктов или других пробиотиков, а также добавление, ограничение или исключение из рациона определенных продуктов питания. Говоря о пребиотиках, это вещества, которые не усваиваются или не полностью усваиваются организмом человека, но катаболизируются кишечными микробами. Среди наиболее распространенных видов пребиотиков - полисахариды (такие, как пектин, длинноцепочечный инулин, резистентный крахмал) и олигосахариды (фруктоолигосахариды, галактоолигосахариды и другие). В ходе пищевой интервенции пребиотики могут употребляться в пищу в виде изолированных компонент (в капсулах), в составе растительного экстракта (например, пшеничные отруби). Альтернативно, интервенция пребиотиком может проводиться благодаря увеличения приема в пищу продуктов, богатых данным волокном (например, топинамбур и цикорий в случае инулина). При переработке пребиотиков кишечными микробами выделяются вещества, оказывающие положительное воздействие на организм человека - такие, как короткоцепочечные жирные кислоты (КЖК). Важным образом, способность к переработке конкретных типов пищевых волокон существенно варьирует между микробными таксонами, а расщепление некоторых сложных разветвленных полисахаридов происходит в несколько шагов, на каждом из которых активен один из нескольких кооперирующих видов микробов. Таким образом, способность индивидуального кишечного сообщества расщеплять разные виды пищевых волокон широко варьирует, что подтверждается рядом исследований (например, Korpela et al, 2018. Koropatkin et al 2012, Kaoutari et al 2013). Это создает основу для персонализации приема пребиотиков.
[0048] Другой тип интервенций - прием пробиотиков - в изолированном виде, либо в составе пищевых продуктов (обычно кисломолочных). Пробиотический потенциал - это штаммоспецифичное свойство. К родам, в которые входит наибольшее число применяемых штаммов с пробиотическими свойствами, относятся Bifidobacterium (виды B. animalis, B. longum, B. bifidum) и Lactobacillus (виды L. rhamnosus, L. casei, L. reuteri).
[0049] В качестве примеров наиболее изученных штаммов часто приводится штамм Bifidobacterium animalis subsp. lactis BB-12: он способен переносить агрессивное воздействие желчи и желудочного сока в ЖКТ человека, может закрепляться на стенке кишечника; его прием может снижать риск острой диареи у детей, снижать частоту респираторных заболеваний, способен нормализовать работу кишечника (в том числе частоту дефекации и консистенцию кала). Другим примером является Lactobacillus casei штамм Shirota: помимо увеличенной способности выживания в ЖКТ, он проявляет активность против патогенных видов бактерий, нормализует пищеварение, способен модулировать иммунную систему.
[0050] В настоящем изобретении были проведены исследования относительной представленности таксонов присутствующих в ЖКТ субъектов микроорганизмов до и после двух типов диетических интервенций - диета с повышенным содержанием волокон и прием йогурта, обогащенного пробиотиком. Для этого был применен метагеномный анализ образцов кала субъектов по гену 16S рРНК. Было установлено, что степень ответа (изменение состава) микробиоты ЖКТ на диетические интервенции различалась между индивидами и зависела от состава кишечного сообщества до начала интервенции.
[0051] В некоторых вариантах изобретения получение набора данных о представленности таксонов микроорганизмов (составе микробиоты) производится следующим образом.
[0052] Вышеуказанный набор данных получают посредством использования набора для отбора проб, который может включать контейнер для образцов, имеющий компонент технологического реагента и сконфигурированный для приема образца из места сбора пользователем, которое может быть удаленным. Дополнительно или альтернативно набор для отбора проб может быть предоставлен непосредственно через устройство, установленное в помещении или на улице, которое предназначено для облегчения приема пробы от пользователя. В других вариантах осуществления набор для отбора проб может быть сдан в клинике или другом медицинском учреждении медицинскому лабораторному технику, а ранее доставлен пользователю, например, курьером. Однако предоставление набора (-ов) для отбора проб пользователя в блок получения первичных данных может дополнительно или альтернативно выполняться любым другим подходящим способом, например, в замороженном виде в стерильном контейнере.
[0053] Входные образцы могут представлять из себя образцы кала, которые могут быть обработаны, например, в лаборатории, и из которых получают данные о составе микробиоты кишечника путем секвенирования. Обработка включает в себя этапы очистки образца от дебриса путем центрифугирования, выделение тотальной ДНК, в том числе бактерий и архей. Альтернативно, из тотальной ДНК может быть проведена амплификация гена 16S рРНК или другого маркерного гена в зависимости от формата секвенирования.
[0054] Субъекты (или другими словами пациенты, пользователи и так далее, не ограничиваясь в терминологии), участвующие в исследовании, в конкретном варианте реализации технического решения сдавали образцы микробиоты непосредственно перед диетической интервенцией и после нее. Диетическая интервенция продолжалась в течение определенного периода времени, например, в течение двух недель или одного месяца. В течение этого периода субъекты следовали рекомендациям по изменению рациона питания, которое зависело от планируемой диетической интервенции. Образцы микробиоты были собраны субъектами самостоятельно, заморожены и доставлены в лабораторию, где была произведена процедура экстракции ДНК и секвенирование региона 16S (как описано в Klimenko NS, et al., Nutrients. 2018 May 8;10(5)). Секвенирование проводилось на приборе MiSeq (Illumina, USA). Обработку результатов секвенирования проводили с использованием программы QIIME v. 1.9.1 [Caporaso, J.G.; et al., QIIME allows analysis of high-throughput community sequencing data. Nature methods 2010, 7, 335]. Таксономический состав сообщества был получен путем выравнивания последовательностей на базу HITdb v. 1.0 [Ritari, J.; et al., Improved taxonomic assignment of human intestinal 16S rRNA sequences by a dedicated reference database. BMC genomics 2015, 16, 1056]. При выравнивании был применен closed-reference подход, реализованный с использованием алгоритма vsearch [Rognes, T., Flouri, T., Nichols, B., Quince, C., & Mahé, F. (2016). VSEARCH: a versatile open source tool for metagenomics. PeerJ, 4, e2584].
[0055] Шаг 120: извлекают из по меньшей мере одной базы данных диетических интервенций посредством процессора наборы данных об изменении представленности присутствующих в ЖКТ микробных таксонов у пользователей после полученной на предыдущем шаге по меньшей мере одной диетической интервенции, при этом выбирают только наборы данных от пользователей, проживающих на той же территории, что и указанный пользователь
[0056] В конкретном варианте реализации далее было произведено предсказание метаболического потенциала бактерий посредством использования базы данных Greengenes v. 13.5 [DeSantis, T.Z.; et al., Greengenes, a chimera-checked 16S rRNA gene database and workbench compatible with ARB. Applied and environmental microbiology 2006, 72, 5069–5072] и компьютерной программы PICRUSt [Langille, M.G.; et al., Predictive functional profiling of microbial communities using 16S rRNA marker gene sequences. Nature biotechnology 2013, 31, 814] с помощью процессора. Предсказание метаболического потенциала бактерии позволяет получить оценку относительной представленности генов, метаболических путей и модулей в бактериальном сообществе. В других вариантах реализации предсказание метаболического потенциала бактерий может быть произведено на любом другом устройстве обработки данных.
[0057] База данных может представлять из себя реляционную базу данных, объектно-ориентированную базу данных, иерархическую базу данных, сетевую базу данных, другие типы баз данных, некоторую комбинацию или расширение вышеупомянутого. Данные, представляющие собой набор предлагаемых диетических интервенций, а также данные о пользователях, могут быть организованы в виде таблиц, записей, объектов, других структур данных и т.п. Данные также могут храниться в специальных файлах базы данных, специальных разделах жестких дисков, HTML файлах, XML файлах, электронных таблицах, неструктурированных файлах, файлах документа, конфигурационных файлах, других файлах и т.п. в памяти вычислительной системы 400, описанной ниже. База данных может ссылаться на набор данных, который предназначен только для чтения, или иметь возможность читать набор данных и записывать в него.
[0058] При описании аспектов данного изобретения для простоты здесь иногда используется терминология, связанная с реляционными базами данных, однако раскрытые способы реализации могут быть также применены к другим типам баз данных, включая те, которые были ранее упомянуты.
[0059] Шаг 130: распределяют каждого из числа выбранных на предыдущем шаге пользователей, имеющих наборы данных, в группу с высокой степенью ответа (респондер) на полученную диетическую интервенцию и с низкой степенью ответа (нереспондер), используя в качестве меры степени ответа величину изменения представленности микробных таксонов, присутствующих в ЖКТ после диетической интервенции.
[0060] В некоторых вариантах реализации технического решения разделение субъектов, участвующих в исследовании, на группы в зависимости от степени изменения их микробиоты производили следующим образом. Степень ответа - изменения состава микробиоты - для каждого субъекта была вычислена с помощью расчета β-разнообразия между образцом до и после вмешательства по метрике Generalized Unifrac [Chen, J.; et al., Associating microbiome composition with environmental covariates using generalized UniFrac distances. Bioinformatics 2012, 28, 2106–2113]. Далее было проведено разделение пользователй на два кластера (респондеры и нереспондеры) путем применения алгоритма k-средних к массиву расстояний.
[0061] В других вариантах изобретения в качестве меры ответа можно использовать как качественные, так и количественные метрики β-разнообразия между образцами микробиоты до и после диетического вмешательства. Среди количественных метрик можно использовать расстояние Bray-Curtis, Weighted Unifrac, Generalized Unifrac, не ограничиваясь. Качественные метрики, используемые в анализе микробиоты, включают в себя Jaccard index, Unweighted Unifrac.
[0062] В других вариантах изобретения в качестве меры ответа можно использовать величину изменения присутствия бактерий, ассоциированных с пользой для здоровья человека, в том числе относительная представленность Bifidobacterium и/или Lactobacillus, лактозосбраживающих бактерий в целом, бутират-производящих бактерий. Также ответ может быть оценен как изменения альфа-разнообразия (разнообразия сообщества), а также как уровень предсказанного метаболического потенциала микробиома к производству КЖК (в том числе масляной кислоты).
[0063] В некоторых вариантах реализации технического решения бактерии, различавшиеся по относительной представленности до диеты у группы с повышенной и с пониженной степенью ответа на диетическую интервенцию были определены с помощью алгоритма metagenomeSeq [Paulson, J.N.; Pop, M.; Bravo, H. metagenomeSeq: Statistical analysis for sparse high-throughput sequencing, 2013. Bioconductor package: 1.16.0.].
[0064] В других вариантах реализации технического решения бактерии, различавшиеся по относительной представленности до диеты у группы с повышенной и с пониженной степенью ответа на диетическую интервенцию, могут быть определены с использованием таких методов, как линейная регрессия, алгоритм MaAsLin [Morgan XC, et al. Dysfunction of the intestinal microbiome in inflammatory bowel disease and treatment. Genome Biol. 2012 Apr 16;13(9):R79.], обобщенная линейная регрессия или критерий Манна-Уитни, не ограничиваясь.
[0065] Шаг 140: формируют на основании данных о составе микробиоты кишечника и группе ответа на полученную диетическую интервенцию пользователей, извлеченных ранее, алгоритм предсказания степени индивидуального ответа на полученную интервенцию по составу микробиоты кишечника, классифицирующий пользователя как респондера или нереспондера.
[0066] В некоторых вариантах реализации технического решения предсказание степени ответа на диетическую интервенцию по составу микробиоты производили следующим образом. Для определения потенциала микробиоты к предсказанию степени ответа на диетическую интервенцию для каждого из исследований был построен классификатор. Для построения классификатора был выбран алгоритм «случайный лес» (англ. random forest). В качестве предикторов использовалась относительная представленность бактерий, значимо различающихся по представленности в микробиоте до диеты у группы с повышенной и с пониженной степенью ответа. Классификатор был построен и протестирован на каждом таксономическом уровне.
[0067] В других вариантах реализации технического решения в качестве алгоритма машинного обучения может быть использована линейная регрессия, логистическая регрессия, обобщенные линейные модели, регрессия с регуляризацией, метод опорных векторов, байесовский классификатор, нейронные сети. В каждом из перечисленных методов в качестве предикторов могут выступать представленности бактерий, метаболических путей, модулей, α-разнообразие, представленности различных групп бактерий. Предикторы могут быть преобразованы с помощью математических методов перед передачей их в классификатор, с целью лучшего соответствия их распределения выбранной модели. В случае если классификатор выдает численное значение, соответствующее вероятности отнесения индивида в один из кластеров, выбирается пороговая величина, начиная с которой индивид будет отнесен к группе с повышенной степенью ответа.
[0068] Обучение классификатора происходит на массиве данных, для которых известно, к какой группе принадлежат пользователи - с высоким или низким откликом на определенное вмешательство. Выборка должна быть сбалансирована. Далее происходит разбиение данной выборки на обучающую и тестовую в соотношении 2:1. В зависимости от выбранного метода машинного обучения происходит оптимизация различных параметров алгоритма для оптимальной классификации обучающей выборки. Далее с использованием тестовой выборки проводится оценка характеристик классификатора: чувствительности, специфичности и других. Разбиение выборки с последующим обучением и оценкой параметров модели проводится в несколько итераций. Далее проводится усреднение параметров модели, и в случае хороших характеристик производят обучение классификатора на всей выборке.
[0069] Для сравнительного анализа наборов данных от различных субъектов предпочтительно использовать наборы данных от субъектов, проживающих на одной территории. Например, схожесть места проживания (определенная территория), схожесть выбора места жительства (город, поселок, деревня), национальной принадлежности, принадлежности к определенному социальному классу, имеет значение для минимизации систематической погрешности в определении представленности бактериальных таксонов в ЖКТ субъектов. Также для повышения наиболее обобщаемых результатов предпочтительно, чтобы когорта была сбалансирована по полу (включала равные доли участников обоих полов) и по возрасту (были достаточно представлены разные возрастные группы).
[0070] Шаг 150: классифицируют по меньшей мере одного пользователя, для которого затем формируют рекомендации по диетической интервенции, как респондера или нереспондера на основании алгоритма предсказания степени индивидуального ответа, причем если пользователь был классифицирован как респондер на полученную диетическую интервенцию, формируют рекомендацию по ней.
[0071] Нижеследующие примеры осуществления способа и системы приведены в целях раскрытия характеристик настоящего изобретения и их не следует рассматривать как каким-либо образом ограничивающие объем изобретения.
[0072] В одном из вариантов осуществления изобретения в качестве данных были использованы данные из неконтролируемого исследования по увеличению приема продуктов, богатых клетчаткой (Klimenko NS, et al., Nutrients. 2018 May 8;10(5)). В исследовании приняли участие 215 человек, в течение двух недель они придерживались диеты, богатой волокнами. У участников был собран образец микробиоты (кала) до и после диетического вмешательства; образцы были проанализированы с помощью 16S рРНК секвенирования. Для классификации субъектов по группам с высокой или с низкой степенью ответа на прием продуктов была использована степень изменения состава микробиоты с применением метрики β-разнообразия Generalized Unifrac. Разделение на два кластера проводилось путем применения к вектору расстояний метода k-средних. Поиск таксонов, значимо различающихся по уровню между группами, сильнее и слабее отреагировавшим микробиотой на вмешательство, проводился с использованием алгоритма MaAsLin. Группа с повышенной степенью ответа на диетическое вмешательство характеризовалась до диеты сниженной относительной представленностью типов Actinobacteria (порядок Coriobacteriales), Firmicutes (порядки Bacillales, Erysipelotrichales и Clostridiales), Proteobacteria (порядок Enterobacteriales) и Verrucomicrobia (порядок Verrucomicrobiales), в то время как представленность Bacteroidales и Sphingomonadales была выше по сравнению с группой, слабее отреагировавшей на вмешательство. Функциональный анализ показал, что группа, сильнее отреагировавшая на вмешательство, характеризуется повышенной представленностью метаболических модулей и путей, характерных для Грам-отрицательных бактерий: lipopolysaccharide biosynthesis (md:M00060) и NADH:quinone oxidoreductase (md:M00144). Также были повышен уровень пути, связанного с деградацией углеводных компонентов мукозы - “Other glycan degradation pathway” (ko00511). Классификатор для определения степени ответа по составу микробиоты был построен с помощью алгоритма random forest, с использованием всех таксонов бактерий, значимо отличающихся по представленности между группами до диеты, в качестве предикторов. Классификатор был построен и протестирован на каждом таксономическом уровне. Была проведена кросс-валидация (10 случайных подвыборок образцов, на 70% проводилось обучение, на 30% — тестирование). Для каждой итерации была построена ROC-кривая и рассчитан параметр площадь под кривой, по которому оценивалась точность предсказаний, как показано на Фиг. 2. Площадь под кривой составила для данного классификатора 0,78.
[0073] В одном из вариантов осуществления изобретения, в качестве данных были использованы данные из исследования по влиянию кисломолочного продукта, обогащенного пробиотиком [Volokh, Olesya, et al. "Human Gut Microbiome Response Induced by Fermented Dairy Product Intake in Healthy Volunteers." Nutrients 11.3 (2019): 547]. В исследовании приняли участие 150 человек, в течение месяца они добавляли к своему рациону 250 мл йогурта, обогащенного пробиотическим штаммом Bifidobacterium animalis subsp. lactis BB-12. У участников был собран образец микробиоты (кала) до и после диетического вмешательства; образцы были проанализированы с помощью 16S рРНК секвенирования. Для классификации субъектов по группам с высокой или с низкой степенью ответа на прием продуктов была использована степень изменения состава микробиоты с применением метрики β-разнообразия Bray-Curtis, примененная к представленности группы лактозосбраживающих бактерий. Разделение на два кластера проводилось путем применения к вектору расстояний метода k-средних. Поиск таксонов, значимо различающихся по относительной представленности между группами, сильнее и слабее отреагировавшим на вмешательство, проводился с использованием алгоритма metagenomeSeq. Группа с повышенной степенью ответа на диетическое вмешательство характеризовалась сниженной представленностью типов Euryarcheota (порядок Methanobacteria) и Firmicutes (порядки Acidaminococcales, Clostridiales). Среди функциональных модулей данной группы был повышен уровень Folate biosynthesis (ko00790) по сравнению с группой, слабее отреагировавшей на диетическое вмешательство. Классификатор для определения степени ответа по составу микробиоты был построен с помощью алгоритма random forest, с использованием всех таксонов бактерий, значимо отличающихся между группами до диеты в качестве предикторов. Классификатор был построен и протестирован на каждом таксономическом уровне. Была проведена кросс-валидация (10 случайных подвыборок образцов, на 70% проводилось обучение, на 30% — тестирование). Для каждой итерации была построена ROC-кривая и рассчитан параметр площадь под кривой, по которому оценивалась точность предсказаний, как показано на Фиг. 3. Площадь под кривой составила для данного классификатора 0,75.
[0074] Несмотря на то, что изобретение описано со ссылкой на раскрываемые варианты воплощения, для специалистов в данной области должно быть очевидно, что конкретные подробно описанные случаи приведены лишь в целях иллюстрирования настоящего изобретения, и их не следует рассматривать как каким-либо образом ограничивающие объем изобретения. Должно быть понятно, что возможно осуществление различных модификаций без отступления от сути настоящего изобретения.
[0075] Ссылаясь на Фиг. 4, данное техническое решение может быть реализовано в виде вычислительной системы 400, которая содержит один или более из следующих компонент:
• компонент 401 обработки, содержащий по меньшей мере один процессор 402,
• память 403,
• компонент 405 мультимедиа,
• компонент 406 аудио,
• интерфейс 407 ввода / вывода (I / O),
• сенсорный компонент 408,
• компонент 409 передачи данных.
[0076] Компонент 401 обработки в основном управляет всеми операциями системы 400, например, формирует набор хэштегов по контенту для пользователя, а также управляет дисплеем, телефонным звонком, передачей данных, работой камеры и операцией записи мобильного устройства связи пользователя. Модуль 401 обработки может включать в себя один или более процессоров 402, реализующих инструкции для завершения всех или части шагов из указанных выше способов. Кроме того, модуль 401 обработки может включать в себя один или более модулей для удобного процесса взаимодействия между другими модулями 401 обработки и другими модулями. Например, модуль 401 обработки может включать в себя мультимедийный модуль для удобного облегченного взаимодействия между компонентом 405 мультимедиа и компонентом 401 обработки.
[0077] Память 403 выполнена с возможностью хранения различных типов данных для поддержки работы системы 400, например, базу данных с профилями пользователей. Примеры таких данных включают в себя инструкции из любого приложения или способа, контактные данные, данные адресной книги, сообщения, изображения, видео, и т. д., и все они работают на системе 400. Память 403 может быть реализована в виде любого типа энергозависимого запоминающего устройства, энергонезависимого запоминающего устройства или их комбинации, например, статического оперативного запоминающего устройства (СОЗУ), Электрически-Стираемого Программируемого постоянного запоминающего устройства (ЭСППЗУ), Стираемого Программируемого постоянного запоминающего устройства (СППЗУ), Программируемого постоянного запоминающего устройства (ППЗУ), постоянного запоминающего устройства (ПЗУ), магнитной памяти, флэш-памяти, магнитного диска или оптического диска и другого, не ограничиваясь.
[0078] Компонент 405 мультимедиа включает в себя экран, обеспечивающий выходной интерфейс между системой 400, которая может быть установлена на мобильном устройстве связи пользователя и пользователем. В некоторых вариантах реализации, экран может быть жидкокристаллическим дисплеем (ЖКД) или сенсорной панелью (СП). Если экран включает в себя сенсорную панель, экран может быть реализован в виде сенсорного экрана для приема входного сигнала от пользователя. Сенсорная панель включает один или более сенсорных датчиков в смысле жестов, прикосновения и скольжения сенсорной панели. Сенсорный датчик может не только чувствовать границу прикосновения пользователя или жест перелистывания, но и определять длительность времени и давления, связанных с режимом работы на прикосновение и скольжение. В некоторых вариантах осуществления компонент 405 мультимедиа включает одну фронтальную камеру и/или одну заднюю камеру. Когда система 400 находится в режиме работы, например, режиме съемки или режиме видео, фронтальная камера и/или задняя камера могут получать данные мультимедиа извне. Каждая фронтальная камера и задняя камера может быть одной фиксированной оптической системой объектива или может иметь фокусное расстояние или оптический зум.
[0079] Компонент 406 аудио выполнен с возможностью выходного и/или входного аудио сигнала. Например, компонент 406 аудио включает один микрофон (MIC), который выполнен с возможностью получать внешний аудио сигнал, когда система 400 находится в режиме работы, например, режиме вызова, режима записи и режима распознавания речи. Полученный аудио сигнал может быть далее сохранен в памяти 403 или направлен по компоненту 409 передачи данных. В некоторых вариантах осуществления компонент 406 аудио также включает в себя один динамик выполненный с возможностью вывода аудио сигнала.
[0080] Интерфейс 407 ввода / вывода (I / O) обеспечивает интерфейс между компонентом 401 обработки и любым периферийным интерфейсным модулем. Вышеуказанным периферийным интерфейсным модулем может быть клавиатура, руль, кнопка, и т. д. Эти кнопки могут включать, но не ограничиваясь, кнопку запуска, кнопку регулировки громкости, начальную кнопку и кнопку блокировки.
[0081] Сенсорный компонент 408 содержит один или более сенсоров и выполнен с возможностью обеспечения различных аспектов оценки состояния системы 400. Например, сенсорный компонент 408 может обнаружить состояния вкл/выкл системы 400, относительное расположение компонентов, например, дисплея и кнопочной панели, одного компонента системы 400, наличие или отсутствие контакта между пользователем и системой 400, а также ориентацию или ускорение/замедление и изменение температуры системы 400. Сенсорный компонент 408 содержит бесконтактный датчик, выполненный с возможностью обнаружения присутствия объекта, находящегося поблизости, когда нет физического контакта. Сенсорный компонент 408 содержит оптический датчик (например, КМОП или ПЗС-датчик изображения) выполненный с возможностью использования в визуализации приложения. В некоторых вариантах сенсорный компонент 408 содержит датчик ускорения, датчик гироскопа, магнитный датчик, датчик давления или датчик температуры.
[0082] Компонент 409 передачи данных выполнен с возможностью облегчения проводной или беспроводной связи между системой 400 и другими устройствами. Система 400 может получить доступ к беспроводной сети на основе стандарта связи, таких как WiFi, 2G, 3G, 5G, или их комбинации. В одном примерном варианте компонент 409 передачи данных получает широковещательный сигнал или трансляцию, связанную с ними информацию из внешней широковещательной системы управления через широковещательный канал. В одном варианте осуществления компонент 409 передачи данных содержит модуль коммуникации ближнего поля (NFC), чтобы облегчить ближнюю связь. Например, модуль NFC может быть основан на технологии радиочастотной идентификации (RFID), технологии ассоциации передачи данных в инфракрасном диапазоне (IrDA), сверхширокополосных (UWB) технологии, Bluetooth (BT) технологии и других технологиях.
[0083] В примерном варианте осуществления система 400 может быть реализована посредством одной или более Специализированных Интегральных Схем (СИС), Цифрового Сигнального Процессора (ЦСП), Устройств Цифровой Обработки Сигнала (УЦОС), Программируемым Логическим Устройством (ПЛУ), логической микросхемой, программируемой в условиях эксплуатации (ППВМ), контроллера, микроконтроллера, микропроцессора или других электронных компонентов, и может быть сконфигурирован для реализации описанного выше способа.
[0084] В примерном варианте осуществления, энергонезависимый компьютерно- читаемый носитель, содержит инструкции также предусмотренные, например, память 403 включает инструкции, где инструкции выполняются процессором 401 системы 400 для реализации описанных выше способов. Например, энергонезависимым компьютерно-читаемым носителем может быть ПЗУ, оперативное запоминающее устройство (ОЗУ), компакт-диск, магнитная лента, дискеты, оптические устройства хранения данных и тому подобное.
[0085] Вычислительная система 400 может включать в себя интерфейс дисплея, который передает графику, текст и другие данные из коммуникационной инфраструктуры (или из буфера кадра, не показан) для отображения на компоненте 405 мультимедиа. Вычислительная система 400 дополнительно включает в себя устройства ввода или периферийные устройства. Периферийные устройства могут включать в себя одно или несколько устройств для взаимодействия с мобильным устройством связи пользователя, такие как клавиатура, микрофон, носимое устройство, камера, один или более звуковых динамиков и другие датчики. Периферийные устройства могут быть внешними или внутренними по отношению к мобильному устройству связи пользователя. Сенсорный экран может отображать, как правило, графику и текст, а также предоставляет пользовательский интерфейс (например, но не ограничиваясь ими, графический пользовательский интерфейс (GUI)), через который пользователь может взаимодействовать с мобильным устройством связи пользователя, например, получать доступ и взаимодействовать с приложениями, запущенными на устройстве.
[0086] Элементы заявляемого технического решения находятся в функциональной взаимосвязи, а их совместное использование приводит к созданию нового и уникального технического решения. Таким образом, все блоки функционально связаны.
[0087] Все блоки, используемые в системе, могут быть реализованы с помощью электронных компонент, используемых для создания цифровых интегральных
[0088] схем, что очевидно для специалиста в данном уровне техники. Не ограничиваюсь, могут быть использоваться микросхемы, логика работы которых определяется при изготовлении, или программируемые логические интегральные схемы (ПЛИС), логика работы которых задаётся посредством программирования. Для программирования используются программаторы и отладочные среды, позволяющие задать желаемую структуру цифрового устройства в виде принципиальной электрической схемы или программы на специальных языках описания аппаратуры: Verilog, VHDL, AHDL и др. Альтернативой ПЛИС могут быть программируемые логические контроллеры (ПЛК), базовые матричные кристаллы (БМК), требующие заводского производственного процесса для программирования; ASIC - специализированные заказные большие интегральные схемы (БИС), которые при мелкосерийном и единичном производстве существенно дороже.
[0089] Обычно, сама микросхема ПЛИС состоит из следующих компонент:
• конфигурируемых логических блоков, реализующих требуемую логическую функцию;
• программируемых электронных связей между конфигурируемыми логическими блоками;
• программируемых блоков ввода/вывода, обеспечивающих связь внешнего вывода микросхемы с внутренней логикой.
[0090] Также блоки могут быть реализованы с помощью постоянных запоминающих устройств.
[0091] Таким образом, реализация всех используемых блоков достигается стандартными средствами, базирующимися на классических принципах реализации основ вычислительной техники.
[0092] Как будет понятно специалисту в данной области техники, аспекты настоящего технического решения могут быть выполнены в виде системы, способа или компьютерного программного продукта. Соответственно, различные аспекты настоящего технического решения могут быть реализованы исключительно как аппаратное обеспечение, как программное обеспечение (включая прикладное программное обеспечение и так далее) или как вариант осуществления, сочетающий в себе программные и аппаратные аспекты, которые в общем случае могут упоминаться как «модуль», «система» или «архитектура». Кроме того, аспекты настоящего технического решения могут принимать форму компьютерного программного продукта, реализованного на одном или нескольких машиночитаемых носителях, имеющих машиночитаемый программный код, который на них реализован.
[0093] Также может быть использована любая комбинация одного или нескольких машиночитаемых носителей. Машиночитаемый носитель хранилища может представлять собой, без ограничений, электронную, магнитную, оптическую, электромагнитную, инфракрасную или полупроводниковую систему, аппарат, устройство или любую подходящую их комбинацию. Конкретнее, примеры (неисчерпывающий список) машиночитаемого носителя хранилища включают в себя: электрическое соединение с помощью одного или нескольких проводов, портативную компьютерную дискету; жесткий диск, оперативную память (ОЗУ), постоянную память (ПЗУ), стираемую программируемую постоянную память (EPROM или Flash-память), оптоволоконное соединение, постоянную память на компакт-диске (CD-ROM), оптическое устройство хранения, магнитное устройство хранения или любую комбинацию вышеперечисленного. В контексте настоящего описания, машиночитаемый носитель хранилища может представлять собой любой гибкий носитель данных, который может содержать или хранить программу для использования самой системой, устройством, аппаратом или в соединении с ними.
[0094] Программный код, встроенный в машиночитаемый носитель, может быть передан с помощью любого носителя, включая, без ограничений, беспроводную, проводную, оптоволоконную, инфракрасную и любую другую подходящую сеть или комбинацию вышеперечисленного.
[0095] Компьютерный программный код для выполнения операций для шагов настоящего технического решения может быть написан на любом языке программирования или комбинаций языков программирования, включая объектно-ориентированный язык программирования, например Java, Smalltalk, С++ и так далее, и обычные процедурные языки программирования, например язык программирования «С» или аналогичные языки программирования. Программный код может выполняться на компьютере пользователя полностью, частично, или же как отдельный пакет программного обеспечения, частично на компьютере пользователя и частично на удаленном компьютере, или же полностью на удаленном компьютере. В последнем случае, удаленный компьютер может быть соединен с компьютером пользователя через сеть любого типа, включая локальную сеть (LAN), глобальную сеть (WAN) или соединение с внешним компьютером (например, через Интернет с помощью Интернет-провайдеров).
[0096] Аспекты настоящего технического решения были описаны подробно со ссылкой на блок-схемы, принципиальные схемы и/или диаграммы способов, устройств (систем) и компьютерных программных продуктов в соответствии с вариантами осуществления настоящего технического решения. Следует иметь в виду, что каждый блок из блок-схемы и/или диаграмм, а также комбинации блоков из блок-схемы и/или диаграмм, могут быть реализованы компьютерными программными инструкциями. Эти компьютерные программные инструкции могут быть предоставлены процессору компьютера общего назначения, компьютера специального назначения или другому устройству обработки данных для создания процедуры, таким образом, чтобы инструкции, выполняемые процессором компьютера или другим программируемым устройством обработки данных, создавали средства для реализации функций/действий, указанных в блоке или блоках блок-схемы и/или диаграммы.
[0097] Эти компьютерные программные инструкции также могут храниться на машиночитаемом носителе, который может управлять компьютером, отличным от программируемого устройства обработки данных или отличным от устройств, которые функционируют конкретным образом, таким образом, что инструкции, хранящиеся на машиночитаемом носителе, создают устройство, включающее инструкции, которые осуществляют функции/действия, указанные в блоке блок-схемы и/или диаграммы.
Claims (21)
1. Компьютерно-реализуемый способ генерации рекомендации по диетической интервенции для пользователя, выполняемый на по меньшей мере одном процессоре, включающий следующие шаги:
получают набор, состоящий из по меньшей мере одной предполагаемой диетической интервенции для этого пользователя и из данных этого пользователя, включающих данные по меньшей мере о составе его микробиоты кишечника, полученные до указанной предполагаемой диетической интервенции, на сервер;
извлекают из по меньшей мере одной базы данных диетических интервенций посредством процессора наборы данных об изменении состава микробиоты кишечника у субъектов после указанной на предыдущем шаге по меньшей мере одной диетической интервенции, при этом выбирают наборы данных от субъектов, проживающих на той же территории, что и указанный пользователь;
распределяют каждого из выбранных на предыдущем шаге субъектов в группу с высокой степенью ответа (респондер) на указанную диетическую интервенцию и с низкой степенью ответа (нереспондер), используя в качестве степени ответа величину изменения состава микробиоты кишечника в результате указанной диетической интервенции;
формируют для субъектов на основании данных о составе микробиоты кишечника и группы ответа на указанную диетическую интервенцию, полученных на предыдущих шагах, алгоритм предсказания степени индивидуального ответа на указанную диетическую интервенцию по составу микробиоты кишечника;
классифицируют указанного пользователя как респондера или нереспондера на основании данных пользователя и сформированного алгоритма предсказания степени индивидуального ответа;
формируют рекомендацию по диетической интервенции для указанного пользователя на основании результатов классификации, полученной на предыдущем шаге.
2. Способ по п. 1, характеризующийся тем, что степень ответа на диетическую интервенцию оценивается дополнительно по результатам биохимических тестов и/или опросников по желудочно-кишечным симптомам и/или частоте дефекации и/или самочувствию.
3. Способ по п. 2, характеризующийся тем, что биохимическим тестом является анализ уровня триглицеридов и других показателей в крови и/или копрограмма, и/или микробиологический анализ кала.
4. Способ по п. 1, характеризующийся тем, что в качестве алгоритма предсказания степени индивидуального ответа используют алгоритм «случайный лес», метод опорных векторов или искусственную нейронную сеть.
5. Способ по п. 1, характеризующийся тем, что к группе респондеров на диетическую интервенцию относят тех субъектов, у которых величина изменения состава микробиоты кишечника после указанной диетической интервенции превысила пороговую величину, и к группе нереспондеров относят тех субъектов, у которых данная величина не превысила пороговую величину.
6. Способ по п. 1, характеризующийся тем, что наборы данных от пользователей получают путем анализа образцов микробиоты, полученных от пользователей и содержащих микроорганизмы, присутствующие в ЖКТ этих пользователей.
7. Способ по п. 6, характеризующийся тем, что образцами, полученными от пользователей, являются образцы кала.
8. Способ по п. 6, характеризующийся тем, что наборы данных от пользователей получают путем секвенирования библиотек, приготовленных из ДНК, выделенной из образцов с помощью ферментативного лизиса и/или механического лизиса, и/или отмывки.
9. Способ по п. 6, характеризующийся тем, что наборы данных от пользователей получают с помощью ДНК-секвенирования полной или частичной последовательности генов 16S рРНК, либо с помощью полногеномного метагеномного секвенирования.
10. Способ по п. 1, характеризующийся тем, что данные о составе микробиоты кишечника включают следующие данные о микроорганизмах, присутствующих в ЖКТ: относительная представленность таксонов, α-разнообразие, β-разнообразие, и/или представленность заранее заданных таксонов.
11. Способ по п. 1, характеризующийся тем, что диетическая интервенция представляет собой прием в течение длительного времени продукта или множества продуктов, богатых определенным классом пищевых волокон, пребиотика, пробиотика или пищевого продукта, обогащенного пребиотиками или пробиотиками.
12. Способ по п. 1, характеризующийся тем, что диетическая интервенция представляет собой голодание.
13. Способ по п. 1, характеризующийся тем, что рекомендация заключается в исключении из рациона определенного пищевого продукта, пробиотика или пребиотика на основании того, что субъект был отнесен к группе нереспондеров по указанной диетической интервенции.
14. Способ по п. 1, характеризующийся тем, что рекомендация формируется относительно нескольких диетических интервенций.
15. Компьютерная система генерации рекомендации по диетической интервенции для пользователя, содержащая по меньшей мере один процессор и по меньшей мере одну память, соединенную с процессором, причем в указанной памяти записана программа для осуществления шагов способа по п. 1.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2019113824A RU2724498C1 (ru) | 2019-05-07 | 2019-05-07 | Способ и система генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты |
| PCT/RU2020/050090 WO2020226535A1 (ru) | 2019-05-07 | 2020-05-06 | Способ и система генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты |
| EP20802047.9A EP3968338A4 (en) | 2019-05-07 | 2020-05-06 | METHOD AND SYSTEM FOR GENERATION OF INDIVIDUAL NUTRITIONAL RECOMMENDATIONS BASED ON MICROBIOTIC COMPOSITION ANALYSIS |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2019113824A RU2724498C1 (ru) | 2019-05-07 | 2019-05-07 | Способ и система генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2724498C1 true RU2724498C1 (ru) | 2020-06-23 |
Family
ID=71135999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2019113824A RU2724498C1 (ru) | 2019-05-07 | 2019-05-07 | Способ и система генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP3968338A4 (ru) |
| RU (1) | RU2724498C1 (ru) |
| WO (1) | WO2020226535A1 (ru) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2745633C1 (ru) * | 2020-08-12 | 2021-03-29 | Виктор Николаевич Литуев | Способ формирования индивидуальных рекомендаций по питанию для пользователя |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220399099A1 (en) * | 2021-06-15 | 2022-12-15 | Seoul National University R&Db Foundation | System and method for providing personalized dietary suggestion platform |
| US20240355443A1 (en) * | 2023-04-19 | 2024-10-24 | Tata Consultancy Services Limited | Method and system for stratification of subjects as responders and non-responders for a therapy |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5639471A (en) * | 1995-06-06 | 1997-06-17 | Campbell Soup Company | Method for determining diet program effectiveness |
| RU2438727C1 (ru) * | 2010-06-18 | 2012-01-10 | Ирина Владимировна Мальцева | Способ снижения избыточного веса |
| US20160232311A1 (en) * | 2014-04-28 | 2016-08-11 | Yeda Research And Development Co., Ltd. | Method and apparatus for predicting response to food |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060074279A1 (en) * | 2004-09-29 | 2006-04-06 | Evgeny Brover | Interactive dieting and exercise system |
-
2019
- 2019-05-07 RU RU2019113824A patent/RU2724498C1/ru active
-
2020
- 2020-05-06 EP EP20802047.9A patent/EP3968338A4/en not_active Withdrawn
- 2020-05-06 WO PCT/RU2020/050090 patent/WO2020226535A1/ru not_active Ceased
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5639471A (en) * | 1995-06-06 | 1997-06-17 | Campbell Soup Company | Method for determining diet program effectiveness |
| RU2438727C1 (ru) * | 2010-06-18 | 2012-01-10 | Ирина Владимировна Мальцева | Способ снижения избыточного веса |
| US20160232311A1 (en) * | 2014-04-28 | 2016-08-11 | Yeda Research And Development Co., Ltd. | Method and apparatus for predicting response to food |
Non-Patent Citations (1)
| Title |
|---|
| ZEEVI D. et al. Personalized Nutrition by Prediction of Glycemic Responses // Cell, 163, November 19, 2015, стр.1079-1094. * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2745633C1 (ru) * | 2020-08-12 | 2021-03-29 | Виктор Николаевич Литуев | Способ формирования индивидуальных рекомендаций по питанию для пользователя |
| WO2022035356A1 (ru) * | 2020-08-12 | 2022-02-17 | Виктор Николаевич ЛИТУЕВ | Способ формирования индивидуальных рекомендаций по питанию для пользователя |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020226535A1 (ru) | 2020-11-12 |
| EP3968338A4 (en) | 2023-08-02 |
| EP3968338A1 (en) | 2022-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shanahan et al. | The healthy microbiome—what is the definition of a healthy gut microbiome? | |
| Gilbert et al. | Current understanding of the human microbiome | |
| CN111164706B (zh) | 疾病相关的微生物组表征过程 | |
| US10347366B2 (en) | Method and system for microbiome-derived characterization, diagnostics, and therapeutics for cardiovascular disease conditions | |
| Wu et al. | Multi-omics approaches to studying gastrointestinal microbiome in the context of precision medicine and machine learning | |
| Galkin et al. | Human microbiome aging clocks based on deep learning and tandem of permutation feature importance and accumulated local effects | |
| US10327642B2 (en) | Method and system for microbiome-derived characterization, diagnostics and therapeutics for conditions associated with functional features | |
| US10795972B2 (en) | Method and system for microbiome-derived diagnostics and therapeutics for locomotor system conditions | |
| Dorrestein et al. | Finding the missing links among metabolites, microbes, and the host | |
| Eetemadi et al. | The computational diet: a review of computational methods across diet, microbiome, and health | |
| Tang et al. | Prospective study reveals a microbiome signature that predicts the occurrence of post-operative enterocolitis in Hirschsprung disease (HSCR) patients | |
| AU2022202660A1 (en) | Method and system for characterization for appendix-related conditions associated with microorganisms | |
| RU2724498C1 (ru) | Способ и система генерации индивидуальных рекомендаций по диете на основании анализа состава микробиоты | |
| Nabwera et al. | Interactions between fecal gut microbiome, enteric pathogens, and energy regulating hormones among acutely malnourished rural Gambian children | |
| CN107708716A (zh) | 用于微生物组分类学特征相关的状况的微生物组来源的诊断和治疗的方法及系统 | |
| CN107849609B (zh) | 用于心理健康相关状况的微生物组来源的诊断和治疗的方法及系统 | |
| CN107849616A (zh) | 用于功能特征相关的状况的微生物组来源的表征、诊断和治疗的方法及系统 | |
| WO2016168336A1 (en) | Method and system for microbiome-derived characterization, diagnostics, and therapeutics for cardiovascular disease conditions | |
| US20250285756A1 (en) | Two competing guilds as core microbiome signature for human diseases | |
| RU2721234C1 (ru) | Способ и система отслеживания рациона и формирования заключения о качестве питания и/или индивидуальных рекомендаций по питанию | |
| Polpitiya et al. | Using systems biology to simplify complex disease: immune cartography | |
| WO2020032826A1 (ru) | Способ и система формирования индивидуального рациона продуктов питания после пересадки микробиоты | |
| CN117616506A (zh) | 用于确定肠道微生物群状态的方法 | |
| Geman et al. | Data mining and knowledge discovery tools for human microbiome big data | |
| Baeza | Statistical representations of microbial systems |